İnşaat sektöründe IoT ve veri analiziIoT and data analytics in the construction industry

Bu örnek senaryo, birçok IoT cihazlarındaki verileri, karar verme işlemini geliştirmek ve otomatikleştirmek için kapsamlı bir veri analizi mimarisine tümleştiren çözümler oluşturan kuruluşlar ile ilgilidir.This example scenario is relevant to organizations building solutions that integrate data from many IoT devices into a comprehensive data analysis architecture to improve and automate decision making. Potansiyel uygulamalar, birçok IoT tabanlı veri girişi ile ilgili büyük hacime sahip oluşturma, araştırma, üretim veya diğer sektör çözümlerini içerir.Potential applications include construction, mining, manufacturing, or other industry solutions involving large volumes of data from many IoT-based data inputs.

Bu senaryoda, bir inşaat donanımı üreticisi, telemetri verilerini göstermek için IoT ve GPS teknolojilerini kullanan araçlar, ölçümler ve dronlarla 'ler oluşturur.In this scenario, a construction equipment manufacturer builds vehicles, meters, and drones that use IoT and GPS technologies to emit telemetry data. Şirket, işletim koşullarını ve ekipman sistem durumunu daha iyi izlemek için veri mimarisini modernleştirin istiyor.The company wants to modernize their data architecture to better monitor operating conditions and equipment health. Şirket içi altyapıyı kullanarak şirketin eski çözümünü değiştirmek, hem yoğun hem de işgücü yoğun bir şekilde değiştirmektir ve beklenen veri hacmini işleyecek kadar ölçeklendiremez.Replacing the company's legacy solution using on-premises infrastructure would be both time intensive and labor intensive, and would not be able to scale sufficiently to handle the anticipated data volume.

Şirket, bulut tabanlı "akıllı yapım" çözümü oluşturmak istiyor.The company wants to build a cloud-based "smart construction" solution. Bir oluşturma sitesi için kapsamlı bir veri kümesi toplamalı ve sitenin çeşitli öğelerinin işlem ve bakımını otomatik hale getirmelidir.It should gather a comprehensive set of data for a construction site and automate the operation and maintenance of the various elements of the site. Şirketin amaçları şunlardır:The company's goals include:

  • Ekipman kapalı kalma süresini en aza indirmek ve hırsızlık azaltmak için tüm yapım site donanımını ve verilerini tümleştirme ve çözümleme.Integrating and analyzing all construction site equipment and data to minimize equipment downtime and reduce theft.
  • Son olarak daha az çalışan ve düşük nitelikli çalışanların başarılı olmasını sağlamak için, işçilerin etkilerini azaltmak üzere oluşturma donanımını uzaktan ve otomatik olarak kontrol edin.Remotely and automatically controlling construction equipment to mitigate the effects of a labor shortage, ultimately requiring fewer workers and enabling lower-skilled workers to succeed.
  • Destekleyici altyapı için işletim maliyetlerini ve işgücü gereksinimlerini en aza indirerek üretkenlik ve güvenliği artırın.Minimizing the operating costs and labor requirements for the supporting infrastructure, while increasing productivity and safety.
  • Telemetri verilerinde artışları desteklemek için altyapıyı kolayca ölçeklendirin.Easily scaling the infrastructure to support increases in telemetry data.
  • Sistem kullanılabilirliğine ödün vermeden kaynakları ülke içinde sağlayarak tüm ilgili yasal gereksinimlere uyma.Complying with all relevant legal requirements by provisioning resources in-country without compromising system availability.
  • Çalışanların geçerli becerilerinin yatırımınızı en üst düzeye çıkarmak için açık kaynaklı yazılım kullanma.Using open-source software to maximize the investment in workers' current skills.

IoT Hub ve HDInsight gibi yönetilen Azure hizmetlerinin kullanılması, müşterinin daha düşük bir işletim maliyetiyle kapsamlı bir çözümü hızla oluşturmasına ve dağıtmasına imkan tanır.Using managed Azure services such as IoT Hub and HDInsight will allow the customer to rapidly build and deploy a comprehensive solution with a lower operating cost. Ek veri analizi gereksinimleriniz varsa, Azure 'da kullanılabilir tam olarak yönetilen veri analizi hizmetlerilistesini gözden geçirmeniz gerekir.If you have additional data analytics needs, you should review the list of available fully managed data analytics services in Azure.

İlgili kullanım örnekleriRelevant use cases

Diğer ilgili kullanım örnekleri şunları içerir:Other relevant use cases include:

  • Oluşturma, araştırma veya ekipman üretim senaryolarıConstruction, mining, or equipment manufacturing scenarios
  • Depolama ve analiz için cihaz verilerinin büyük ölçekli koleksiyonuLarge-scale collection of device data for storage and analysis
  • Büyük veri kümelerinin alımı ve çözümlenmesiIngestion and analysis of large datasets

MimariArchitecture

Oluşturma sektöründe IoT ve veri analizi için mimari

Veriler çözüm üzerinden şu şekilde akar:The data flows through the solution as follows:

  1. Oluşturma Ekipmanı, sensör verilerini toplar ve oluşturma sonuçları verilerini düzenli aralıklarla, Azure sanal makinelerinin bir kümesinde barındırılan, yük dengeli Web Hizmetleri 'ne gönderir.Construction equipment collects sensor data and sends the construction results data at regular intervals to load balanced web services hosted on a cluster of Azure virtual machines.
  2. Özel Web Hizmetleri, oluşturma sonucunda verileri alır ve Azure sanal makinelerinde da çalışan bir Apache Cassandra kümesinde depolar.The custom web services ingest the construction results data and store it in an Apache Cassandra cluster also running on Azure virtual machines.
  3. Farklı bir veri kümesi, çeşitli yapım donanımındaki IoT sensörleri tarafından toplanır ve IoT Hub gönderilir.Another dataset is gathered by IoT sensors on various construction equipment and sent to IoT Hub.
  4. Toplanan ham veriler doğrudan IoT Hub Azure Blob depolama alanına gönderilir ve anında ve analiz için hemen kullanılabilir.Raw data collected is sent directly from IoT Hub to Azure blob storage and is immediately available for viewing and analysis.
  5. IoT Hub aracılığıyla toplanan veriler Azure Stream Analytics bir iş tarafından neredeyse gerçek zamanlı olarak işlenir ve bir Azure SQL veritabanında depolanır.Data collected via IoT Hub is processed in near real time by an Azure Stream Analytics job and stored in an Azure SQL database.
  6. Akıllı yapım bulutu Web uygulaması, analistlerin ve son kullanıcıların algılayıcı verilerini ve imagery 'yi görüntüleyip analiz etmesine olanak sağlar.The Smart Construction Cloud web application is available to analysts and end users to view and analyze sensor data and imagery.
  7. Batch işleri, Web uygulamasının kullanıcıları tarafından talep üzerine başlatılır.Batch jobs are initiated on demand by users of the web application. Toplu iş, HDInsight üzerinde Apache Spark çalışır ve Cassandra kümesinde depolanan yeni verileri analiz eder.The batch job runs in Apache Spark on HDInsight and analyzes new data stored in the Cassandra cluster.

BileşenlerComponents

  • IoT Hub , bulut platformu ve oluşturma ekipmanı ve diğer site öğeleri arasında cihaz başına kimlik ile güvenli çift yönlü iletişim için bir merkezi ileti hub 'ı görevi görür.IoT Hub acts as a central message hub for secure bi-directional communication with per-device identity between the cloud platform and the construction equipment and other site elements. IoT Hub, veri analizi ardışık düzenine giriş için her bir cihaz için verileri hızlı bir şekilde toplayabilir.IoT Hub can rapidly collect data for each device for ingestion into the data analytics pipeline.
  • Azure Stream Analytics , cihazlardan ve diğer veri kaynaklarından yüksek hacimli veri akışını çözümleyebileceği bir olay işleme motorudur.Azure Stream Analytics is an event-processing engine that can analyze high volumes of data streaming from devices and other data sources. Ayrıca, desenleri ve ilişkileri tanımlamak için veri akışlarından bilgi ayıklamayı destekler.It also supports extracting information from data streams to identify patterns and relationships. Bu senaryoda, IoT cihazlarındaki verileri analiz ederek ve sonuçları Azure SQL veritabanı 'nda depolayan Stream Analytics.In this scenario, Stream Analytics ingests and analyzes data from IoT devices and stores the results in Azure SQL Database.
  • Azure SQL veritabanı , Azure tabanlı bir Web uygulaması aracılığıyla analistler ve kullanıcılar tarafından görüntülenebilen IoT cihazlarından ve ölçümlerden çözümlenen verilerin sonuçlarını içerir.Azure SQL Database contains the results of analyzed data from IoT devices and meters, which can be viewed by analysts and users via an Azure-based Web application.
  • BLOB depolama , IoT Hub cihazlarından toplanan görüntü verilerini depolar.Blob storage stores image data gathered from the IoT hub devices. Görüntü verileri Web uygulaması aracılığıyla görüntülenebilir.The image data can be viewed via the web application.
  • Traffic Manager , farklı Azure bölgelerindeki hizmet uç noktaları için Kullanıcı trafiğinin dağıtımını denetler.Traffic Manager controls the distribution of user traffic for service endpoints in different Azure regions.
  • Load Balancer , yüksek kullanılabilirlik sağlamak için VM tabanlı Web Hizmetleri genelindeki yapı donanımı cihazlarından veri gönderimleri dağıtır.Load Balancer distributes data submissions from construction equipment devices across the VM-based web services to provide high availability.
  • Azure sanal makineleri , oluşturma sonuçları verilerini alıp Apache Cassandra veritabanına alan Web hizmetlerini barındırır.Azure Virtual Machines host the web services that receive and ingest the construction results data into the Apache Cassandra database.
  • Apache Cassandra , Apache Spark tarafından daha sonra işlenmek üzere yapı verilerini depolamak için kullanılan dağıtılmış bir NoSQL veritabanıdır.Apache Cassandra is a distributed NoSQL database used to store construction data for later processing by Apache Spark.
  • Web Apps , kaynak verileri ve görüntüleri sorgulamak ve görüntülemek için kullanılabilecek Son Kullanıcı Web uygulamasını barındırır.Web Apps hosts the end-user web application, which can be used to query and view source data and images. Kullanıcılar, uygulama aracılığıyla Apache Spark toplu işleri de başlatabilir.Users can also initiate batch jobs in Apache Spark via the application.
  • HDInsight üzerinde Apache Spark , büyük veri analizi uygulamalarının performansını artırmak üzere bellek içi işlemeyi destekler.Apache Spark on HDInsight supports in-memory processing to boost the performance of big-data analytic applications. Bu senaryoda Spark, Apache Cassandra 'da depolanan veriler üzerinde karmaşık algoritmalar çalıştırmak için kullanılır.In this scenario, Spark is used to run complex algorithms over the data stored in Apache Cassandra.

AlternatifleriAlternatives

Dikkat edilmesi gerekenlerConsiderations

Azure bölgelerinin geniş kullanılabilirliği bu senaryoya yönelik önemli bir faktördür.The broad availability of Azure regions is an important factor for this scenario. Tek bir ülkede birden fazla bölgenin olması, Ayrıca, sözleşmeli yükümlülükler ve yasalar zorlaması gereksinimleriyle uyumluluğu etkinleştirerek olağanüstü durum kurtarma sağlayabilir.Having more than one region in a single country can provide disaster recovery while also enabling compliance with contractual obligations and law enforcement requirements. Azure 'un bölgeler arasındaki yüksek hızlı iletişimi de bu senaryodaki önemli bir faktördür.Azure's high-speed communication between regions is also an important factor in this scenario.

Açık kaynaklı teknolojiler için Azure desteği, müşterinin mevcut iş gücü becerilerinden yararlanmasını sağlar.Azure support for open-source technologies allowed the customer to take advantage of their existing workforce skills. Müşteri, şirket içi bir çözüme kıyasla daha düşük maliyetlerle ve çalışma yükleriyle yeni teknolojilerin benimsenmesini de hızlandırabilir.The customer can also accelerate the adoption of new technologies with lower costs and operating workloads compared to an on-premises solution.

FiyatlandırmaPricing

Aşağıdaki önemli noktalar, bu çözümün maliyetlerinin önemli bir bölümünü oluşturacak.The following considerations will drive a substantial portion of the costs for this solution.

  • Ek örnekler sağlandıkça Azure sanal makine maliyetleri doğrusal bir şekilde artacaktır.Azure virtual machine costs will increase linearly as additional instances are provisioned. Serbest bırakılmış sanal makineler, işlem maliyetlerini değil, yalnızca depolama maliyetlerine tabi olur.Virtual machines that are deallocated will only incur storage costs, and not compute costs. Bu serbest bırakılmış makineler daha sonra talep yüksek olduğunda yeniden tahsis edilebilir.These deallocated machines can then be reallocated when demand is high.
  • IoT Hub maliyetleri, sağlanan IoT birimlerinin sayısı ve seçilen hizmet katmanının sayısıyla, her gün izin verilen birim başına düşen ileti sayısını belirler.IoT Hub costs are driven by the number of IoT units provisioned as well as the service tier chosen, which determines the number of messages per day per unit allowed.
  • Stream Analytics , hizmette verileri işlemek için gereken Akış Birimi sayısına göre fiyatlandırılır.Stream Analytics is priced by the number of streaming units required to process the data into the service.

Benzer bir mimarinin bir uygulamasını görmek için, Komatsu Müşteri hikayesiniokuyun.To see an implementation of a similar architecture, read the Komatsu customer story.

Büyük veri mimarilerine yönelik yönergeler, Azure veri mimarisi kılavuzundabulunabilir.Guidance for big data architectures is available in the Azure Data Architecture Guide.